Dopo aver seguito questi corsi, mi sento sicuro nel creare visualizzazioni e dashboard professionali
Shoebur RahmanSpecialista degli acquisti, Giz Bangladesh
Descrizione del corso
Ti capita mai di lavorare con set di dati che hanno un sacco di caratteristiche? Hai davvero bisogno di tutte quelle funzioni? Quali sono i più importanti? In questo corso imparerai le tecniche di riduzione della dimensionalità che ti aiuteranno a semplificare i tuoi dati e i modelli che crei con essi, mantenendo le informazioni dei dati originali e buone prestazioni predittive.
Viviamo nell'era dell'informazione, un'epoca in cui siamo sommersi dalle informazioni. L'arte di tirare fuori le informazioni importanti dai dati è una competenza che va alla grande sul mercato. I modelli si addestrano più velocemente con meno dati. Nella produzione, modelli più piccoli significano tempi di risposta più rapidi. Forse la cosa più importante è che i dati e i modelli più piccoli sono spesso più facili da capire. La riduzione della dimensionalità è il tuo rasoio di Occam nella scienza dei dati.
La differenza tra selezione delle caratteristiche ed estrazione delle caratteristiche! Usando R, imparerai a capire e togliere le caratteristiche con poche informazioni o che sono doppie, tenendo quelle con più informazioni. Questa è la selezione delle caratteristiche. Imparerai anche come estrarre combinazioni di caratteristiche come componenti condensati che contengono il massimo delle informazioni. Ecco cos'è l'estrazione delle caratteristiche!
Ma soprattutto, con il nuovo pacchetto tidymodel di R, potrai usare dati reali per creare modelli con meno caratteristiche senza perdere in termini di prestazioni.
Perché imparare la riduzione della dimensionalità?
Viviamo nell'era dell'informazione, un'epoca in cui siamo sommersi dalle informazioni. L'arte di tirare fuori le informazioni importanti dai dati è una competenza che va alla grande sul mercato. I modelli si addestrano più velocemente con meno dati. Nella produzione, modelli più piccoli significano tempi di risposta più rapidi. Forse la cosa più importante è che i dati e i modelli più piccoli sono spesso più facili da capire. La riduzione della dimensionalità è il tuo rasoio di Occam nella scienza dei dati.
Cosa imparerai in questo corso?
La differenza tra selezione delle caratteristiche ed estrazione delle caratteristiche! Usando R, imparerai a capire e togliere le caratteristiche con poche informazioni o che sono doppie, tenendo quelle con più informazioni. Questa è la selezione delle caratteristiche. Imparerai anche come estrarre combinazioni di caratteristiche come componenti condensati che contengono il massimo delle informazioni. Ecco cos'è l'estrazione delle caratteristiche!
Ma soprattutto, con il nuovo pacchetto tidymodel di R, potrai usare dati reali per creare modelli con meno caratteristiche senza perdere in termini di prestazioni.
Prerequisiti
Programma
Struttura del corso
1
Fondamenti della riduzione della dimensionalità
Preparati a semplificare grandi insiemi di dati! Imparerai cos’è l’informazione, come valutare l’importanza delle variabili e farai pratica nell’identificare le variabili a bassa informazione. Alla fine del capitolo capirai la differenza tra selezione delle variabili ed estrazione delle caratteristiche—i due approcci alla riduzione della dimensionalità.
- Introduzione alla riduzione della dimensionalità50 XP
- Dimensionalità e informazione delle feature100 XP
- Caratteristiche con informazione mutua100 XP
- Informazione e importanza delle caratteristiche50 XP
- Calcolare l'entropia della radice100 XP
- Calcolare le entropie dei figli100 XP
- Calcolare il guadagno di informazione del colore100 XP
- L’importanza della riduzione della dimensionalità nella costruzione dei dati e dei modelli50 XP
- Calcola le combinazioni possibili100 XP
- Maledizione della dimensionalità, overfitting e bias100 XP
2
Selezione delle variabili per l'importanza delle caratteristiche
Impara a individuare variabili ricche e povere di informazione usando rapporto di valori mancanti, varianza e correlazione. Poi scoprirai come creare ricette di tidymodels per selezionare le variabili utilizzando questi indicatori di informazione.
3
Selezione delle variabili per le prestazioni del modello
Il capitolo tre introduce la differenza tra approcci non supervisionati e supervisionati alla selezione delle variabili. Ripasserai come usare i workflow di tidymodels per costruire modelli. Quindi eseguirai una selezione supervisionata delle variabili usando la regressione lasso e modelli random forest.
4
Estrazione delle caratteristiche e prestazioni del modello
In questo capitolo finale svilupperai una solida intuizione sull’estrazione delle caratteristiche comprendendo come le componenti principali estraggono e combinano le informazioni più importanti da variabili diverse. Poi imparerai e applicherai tre tipi di estrazione delle caratteristiche — principal component analysis (PCA), t-SNE e UMAP. Scoprirai come usare questi metodi di estrazione come fase di preprocessing nel processo di costruzione dei modelli con tidymodels.
R
Riduzione della dimensionalità in R
Corso
completato
